ВИКОРИСТАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПОШУКУ НАЗЕМНИХ МІН
DOI:
https://doi.org/10.20535/1970.68(2).2024.318158Ключові слова:
нейронні мережі, наземні міни, гіперспектральна зйомка, автоматизація класифікації, штучний інтелектАнотація
Проблема наявності великих замінованих територій і їх розширення є критичною через їхній вплив на безпеку та економіку. Стаття присвячена підвищенню ефективності оптичних методів пошуку наземних мін поверхневого розташування в задачах гуманітарного розмінування.
Показано, що одним з найбільш перспективних оптичних методів виявлення мін є гіперспектральна зйомка, яка забезпечує надзвичайно точний аналіз спектрального складу випромінювання фоно-цільової обстановки. Але практичне використання гіперспектральних методів є суттєво ускладненим, враховуючи величезні площі замінованих територій. Отже виявлення мін має бути автоматизованим. Для вирішення цієї задачі досліджено можливості використання штучних нейронних мереж. Запропоновано інтеграцію штучного інтелекту, зокрема RBF-мереж, для підвищення ефективності та точності виявлення об'єктів. У роботі порівнюються традиційні методи класифікації з інноваційними підходами, що базуються на машинному навчанні. Проведено тестування алгоритмів на симуляційних і реальних даних. Це дозволило оцінити їхню здатність до ідентифікації об'єктів за умов різного спектрального заповнення.
Специфіка досліджуваної області формує вимоги до оцінювання ефективності функціонування технічних засобів: в першу чергу має бути забезпечена мінімальна ймовірність пропуску сигналу. В той же час з врахуванням великих обсягів обчислень бажано, щоб ймовірність хибних тривог залишалась невисокою. Показано, що RBF нейронна мережа здатна виявляти міни з низькою кількістю хибних тривог. Під час навчання мережі з великим параметром розповсюдження чутливість виходу до спектральної варіативності пікселів знижується. Це дозволяє мережі виявити ціль навіть за низького коефіцієнта заповнення. Отже результати досліджень свідчать, що використання запропонованих методів дозволяє значно зменшити кількість хибних тривог і забезпечити високу продуктивність у реальних умовах.
Посилання
Kolobrodov V.G., Borodiychuk P.V., Mykytenko V.I., "Optical systems of video spectrometers for remote sensing of the Earth", Space Science and Technology, , vol. 4, No. 1, pp. 29-38, 1998. (in Ukrainian)
Yue, J., Zhao, W., Mao, S., & Liu, H., "Spectral–spatial classification of hyperspectral images using deep convolutional neural networks", Remote Sensing Letters, 6(6), pp. 468–477, 2015.
J. Yin, Y. Wang, Y. Wang, and Z. Zhao, "A modified algorithm for multi-target detection in hyper-spectral image," In Informatics in Control, Automation and Robotics (CAR), 2010 2nd International Asia Conference on, vol. 3, pp. 105-108. IEEE, 2010
Plaza, P. Martínez, R. Pérez, and J. Plaza, "A new method for target detection in hyperspectral imagery based on extended morphological profiles", In Geoscience and Remote Sensing Symposium, 2003. IGARSS'03. Proceedings. 2003 IEEE International, vol. 6, pp. 3772-3774. IEEE, 2003.
W. McCulloch, W. Pitts, "A Logical Calculus of Ideas Immanent in Nervous Activity", Bulletin of Mathematical Biophysics, 5 (4): 115–133, 1943. doi:10.1007/BF02478259
C.M. Bishop. "Pattern recognition and machine learning". Springer, 2006. 228 p.
M.JL. Orr, "Introduction to radial basis function networks". 1996.
Y. Chen, H. Jiang, C. Li, X. Jia, and P. Ghamisi, "Deep feature extraction and classification of hyperspectral images based on convolutional neural networks", IEEE Transactions on Geoscience and Remote Sensing 54, no. 10, pp.6232-6251, 2016.
P.-H. Hsu, "Feature extraction of hyperspectral images using wavelet and matching pursuit", ISPRS Journal of Photogrammetry and Remote Sensing 62, no. 2 (2007): 78- 92.
X. He, D.Cai, S. Yan and H.J. Zhang, "Neighbor-hood preserving embedding", Computer Vision, 2005. ICCV 2005. Tenth IEEE International Conference on. Vol. 2. IEEE, 2005.
M. Khoder, S. Kashana, J. Khoder, and R. Younes, "Multicriteria classification method for dimensionality reduction adapted to hyperspectral images." Journal of Applied Remote Sensing 11, no. 2 (2017): 025001-025001.
B.-C. Kuo, and D. A. Landgrebe, "Nonparametric weighted feature extraction for classification", Geoscience and Remote Sensing, IEEE Transactions on 42, no. 5 (2004): 1096-1105.
J. Khodr, and R. Younes, "Dimensionality reduc-tion on hyperspectral images: A comparative review based on artificial datas", In Image and Signal Processing (CISP), 2011 4th International Congress on, vol. 4, pp. 1875-1883. IEEE, 2011.
C. D. Brown, "Discordance between Net Analyte Signal Theory and Practical Multivariate Calibration", Anal. Chem. , 76, 4364-4373, 2004.
H. Grahn, and P. Geladi, eds. Techniques and applications of hyperspectral image analysis. John Wiley & Sons, 2007. 185 p.
H. Ren and C.-I. Chang, “Automatic spectral target recognition in hyperspectral imagery", IEEE Transactions on Aerospace and Electronic Systems, vol. 39, no. 4, pp. 1232–1249, October 2003.
AVIRIS. Airborne Visible/Infrared Imaging Spectrometer. Режим доступу: http://aviris.jpl.nasa.gov/
Ihab Makki, Hyperspectral Imaging for Landmine Detection. Optimization and Control [math.OC]. POLITECNICO DI TORINO, 2017.
D. Manolakis, R. Lockwood, T. Cooley, and J. Jacobson, "Is there a best hyperspectral detection algorithm?", In SPIE Defense, Security, and Sensing, pp. 733402-733402. International Society for Optics and Photonics, 2009
I. Makki, R. Younes, C. Francis, T. Bianchi, and M. Zucchetti, "Classification algorithms for landmine detection using hyperspectral imaging." In Landmine: Detection, Clearance and Legislations (LDCL), 2017 First International Conference on, pp. 1-6. IEEE, 2017.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Микитенко В.І., Шинкарьов Д.Д.
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Авторське право на публікацію залишається за авторами.
Автори можуть використовувати власні матеріали в інших публікаціях за умови посилання на збірник наукових праць "Вісник Київського політехнічного інституту. Серія ПРИЛАДОБУДУВАННЯ" як на перше місце видання та на Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» як на видавця.
Автори публікують свої статті в збірнику на умовах ліцензії Creative Commons:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії CC BY 4.0, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на динаміці цитування опублікованої роботи.
Видавець (КПІ ім. Ігоря Сікорського) має право за будь-якого використання цього видання зазначати своє ім'я або вимагати такого зазначення.
Редакційна колегія залишає за собою право розміщувати опубліковані в збірнику статті в різних інформаційних базах для надання відкритого доступу до матеріалів з метою популяризації наукових досліджень та підвищення цитованості авторів.
